Downloaden Sie, um offline zu lesen
Hochgeladen vonPrecisely
Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
Das Dokument behandelt die Bedeutung der Datenintegrität für moderne Cloud Data Warehouses (MDWH) und analytische Architekturen, indem es Lösungen wie Precisely Connect vorstellt, die eine effiziente Integration und Verarbeitung von Legacy-Daten in Echtzeit ermöglichen. Es hebt die Vorteile einer verbesserten Entscheidungsfindung und der Automatisierung von Geschäftsprozessen durch die Nutzung aktueller, kuratierter Daten hervor. Zudem werden Kundenbeispiele präsentiert, die den Erfolg von Datenintegrationslösungen in der Praxis verdeutlichen.
Weitere ähnliche Inhalte
Ähnlich wie Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
- 1. Datenintegrität für moderne CloudData Warehouse (MDWH) und Analytics Architekturen Coffee & Learn Uwe Hofmann | Senior Account Executive Marco Kopp | Senior Sales Engineer
- 2. Datenintegrität für moderneCloud Data Warehouse (MDWH) und Analytics Architekturen Agenda 2 • Über Precisely • Data Integrity • Legacy Daten • Precisely Connect • Referenz-Architektur • Kundenbeispiel • Takeaways • Nächste Schritte • Fragen & Antworten
- 3. Der weltweit führendeAnbieter von Datenintegrität Vertrauen Sie Ihren Daten. Bauen Sie Ihre Möglichkeiten auf. Unsere Software Connect schaltet Altdaten frei, um Datenpipelines aufzubauen, die AI und ML unterstützen. Kunden, die uns vertrauen Partner, die mit uns zusammenarbeiten der Fortune 100 Unternehmen 90 Kunden in mehr als 100 2.000 Mitarbeiter Kunden 12.000 Länder Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen3
- 4. Data Integrity Verbinden Siedie Infrastruktur von heute mit der Technologie von morgen, um das Potenzial all Ihrer Unternehmensdaten freizusetzen. Verstehen Sie Ihre Daten und stellen Sie sicher, dass sie genau, konsistent und vollständig sind, um richtige Geschäftsent- scheidungen treffen zu können. Analyse von Standortdaten für verbesserte und umsetzbare Geschäfts- erkenntnisse, die zu besseren Ergebnissen führen. Verbesserte Entscheidungsfindung durch fachmännisch kuratierte, aktuelle Geschäfts-, Standort- und Verbraucherdaten. 4 Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
- 5. Bessere Daten, bessereEntscheidungen, bessere Ergebnisse Precisely Connect Precisely Ironstream Precisely Assure Precisely Syncsort Integrate Precisely Spectrum Quality Precisely Trillium Precisely Spectrum Context Verify Precisely Spectrum Spatial Precisely Spectrum Geocoding Precisely MapInfo Confirm Locate Precisely Streets Precisely Boundaries Precisely Points of Interest Precisely Addresses Precisely Demographics Enrich 5 Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
- 6. Mehr dazu unter:https://www.precisely.com/product/data-integrity/precisely-data-integrity-suite 6 Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
- 7. Connect ist diebeste Lösung für den Zugriff auf und die Integration von Mainframe- und IBM i- Daten mit Cloud- Frameworks in Echtzeit. Schnelle und effiziente Integra- tion aller Unternehmensdaten - einschließlich Mainframe und IBM i “Design once, deploy anywhere” Ansatz für verschiedene Integrationsarchitekturen Reduzieren Sie Kosten und Entwicklungszeit - von Wochen auf Tage Sicher und kontrolliert + konkurrenzlose Skalierbarkeit und Leistung 7 Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
- 8. Datenintegrität für moderneCloud Data Warehouse (MDWH) und Analytics Architekturen Was passiert, wenn Legacy Daten zugänglich werden? 8 Erweiterte BI und Analyse Verbesserte Datenermittlung Datendemokratisi- rung mit Governance Kritische Daten sind für Projekte der nächsten Generation verfügbar - AI und ML
- 9. Datenintegrität für moderneCloud Data Warehouse (MDWH) und Analytics Architekturen Laden Sie Daten aus Legacy Systemen ins MDWH! 9 Wollen Sie, dass Ihre Daten von Legacy, Mainframe und IBM i so, wie sie sind, in ein MDWH geladen werden? Connect kann das! Konnektivität • Einfaches Erstellen einer exakten Bit-für-Bit- Kopie von Mainframe- und IBM i-Daten in der Cloud • Arbeiten Sie mit diesen Daten in Spark - bauen Sie Ihre ML-Modelle auf umfas- senden Daten auf • Daten direkt auf das Copybook in Spark abbilden • End-to-end verwalteter Ansatz für das Auslagern von Daten Compliance Performanz • Direkter Zugriff und Verständnis von VSAM, festen und variablen Mainframe- und DB2-Daten • Verwenden Sie einen “design once, deploy anywhere” Ansatz zur Datenintegration • Daten im laufenden Betrieb transformieren - kein Zwischenspeichern • Importieren Sie Daten, die von komplexen Copybooks abgebildet werden, mit wenigen Mausklicks • Leistungsstarke, selbstoptimierende Sortierungen, Verknüpfungen, Aggregationen, Zusammenführungen und Look-ups, die für die native Ausführung in Big Data Umgebungen optimiert sind • Dynamische Lastoptimierung für große Datenmengen • Datensilos in Minuten aufschlüsseln
- 10. Verbinden Sie dieInfrastruktur von heute mit der Technologie von morgen, um das Potenzial all Ihrer Unternehmensdaten freizusetzen. Extrahieren, Transformieren, Laden Daten Replikation via CDC* Leistungsstarkes ETL für Apache Spark, Cloud, Windows, Linux, Unix und Hadoop MapReduce Echtzeit-Datenbankreplikation auf Streaming-Plattformen, Cloud, Datenbanken und (moderne Cloud) Data Warehouses Connect 10 *2021 RoadmapDatenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
- 11. Einsatz von PreciselyConnect am Beispiel Databricks 11 Mainframe, IBM i Relationale Datenbanken, EDW, DBMS Flat Files, XML, JSON Extrahieren & Daten streamen Integrieren, Vorbereiten Laden, Reinigen, Transfor- mieren Unified Data Analytics Plattform Reporting and BI Daten- Lieferung Datenquellen Hadoop, HDFS Connect’s ETL Funktionen und Databricks beseitigen Datensilos in Ihrem Unternehmen Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
- 12. Geschäftstransformation in Aktion EinKundenbeispiel
- 13. Globaler Versicherer nimmtdigitale Modernisierung in Angriff 1. Verbessern des Schadenverlauf für Endkunden 2. Erkennen von Mustern in Schadensfällen, um das Unternehmen vor unerwartet schweren Schadensfällen zu warnen 3. Automatisieren von kleinen Schäden mit niedrigem Geldwert, ohne dass ein Schadenregulierer erforderlich ist Ziel: Verbesserung der NPS-Kennzahl und der Betriebseffizienz durch digitale Umwandlung der Antragsbearbeitung 13 Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
- 14. Die Schaffung einesunternehmensweiten „Claims Hub“ erforderte die schnelle Integration neuer Datentypen 1. Erfolgreiche und zuverlässige Migration der Daten von Tausenden von Kunden in die Cloud für umfassendes Maschinelles Lernen (ML) 2. Nutzung vorhandener Mainframe-Metadaten, um die Integration zu vereinfachen und die Sichtbarkeit der Quelle-Ziel-Metadaten-Lineage aufrechtzuerhalten 3. Skalierung mit wachsenden Datenmengen Herausforderung: Die derzeitigen Methoden zur Datenintegration waren ineffizient oder nicht in der Lage, Mainframe-Daten erfolgreich zu integrieren und zu liefern. 14 Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
- 15. Takeaways für denErfolg • Definieren Sie die Ziele Ihrer Modernisierungsbemühungen klar: Versuchen Sie, Kosten zu sparen, die Leistung zu verbessern oder etwas anderes? • Wählen Sie Datenintegrationslösungen, die Sie für neue Anwendungsfälle leicht erweitern können. • Neue Anforderungen an moderne Datenplattformen können aktuelle Datenintegrationsarchitekturen in die Knie zwingen • Wählen Sie ein Tool, das Ihre Integrationsprobleme in der gesamten hybriden Landschaft, vom Rechenzentrum bis zur öffentlichen Cloud, löst 15 Datenintegrität für moderne Cloud Data Warehouse (MDWH) und Analytics Architekturen
- 16. 16 Ihr Kontakt Uwe Hofmann SeniorAccount Executive Telefon: +49 170 1401557 Email: uwe.hofmann@precisely.com Whitepaper Coffee & Learn Workshops • Neue Termine für 2021 sind geplant • Nächstes Thema: Data Maturity
- 17.
- 18.
Hinweis der Redaktion
- #9 Zentralisierte Geschäftseinblicke - zentrale Verwaltung von Geschäftseinblicken, hilft, Einblicke von isolierten Einzellösungen zu verlagern. Datenermittlung - geschäftliche Endbenutzer können mit großen Datensätzen arbeiten und erhalten Antworten auf ihre Fragen. Data Discovery hilft dem Unternehmen, einen Teil der Masse zu verlieren, wenn es um die Durchführung von Analysen geht. Datendemokratisierung - ermöglicht es mehr Anwendern, autonom mit Daten umzugehen, ohne jedoch das Risiko einzugehen, sensible Daten in einer Weise offenzulegen, die gegen Vorschriften oder interne Best Practices verstoßen könnte. ---------------------------------------------------------------------------------------------------- Centralized business insights – central management of business insights, helps to shift insights from one offs in isolation to Data discovery - business end-users can work with large data sets and get answers to questions they are asking. Data Discovery is helping the enterprise lose some of the bulk when it comes to running analytics. Data democratization – enables more users to have autonomy with data but without the risk of exposing sensitive data in a way that could violate regulations or internal best practices
- #10 Compliance = Einhaltung der Vorschriften
- #11 There are two flavors of our Connect solution Connect offers enterprise grade end-to-end ETL solution that runs on single servers and runs natively on cluster deployments such as Hadoop and Spark. Connect also has a data replication/CDC solution that supports cloud and hybrid architectures architectures We’re a focused market player and are proud of that. We focus on two use cases: Offload data and/or processing from the mainframe and IBM i Offload data processing from databases and EDWs We have more offload capabilities than any other company on the planet And we are working on some of the biggest data warehouse and mainframe offload projects in the country
- #12 Databricks = Kafka = Snowflake = Amazon Redshift Google BigQuery
- #14 23000+ clients 60% of claims processing requires manual intervention NPS = Der Net Promoter Score ist eine Kennzahl für die Wahrscheinlichkeit, dass ein Kunde das Unternehmen oder die Marke weiterempfiehlt
- #15 An American insurance company wanted to take a variety of data from across their organization to build an enterprise-wide claims data lake. The purpose of the claims data lake was to receive data from across the lines of business and improve analysis of customer activity, historical data, and richer analytics. In its ideal scenario, the claims data would help identification of patterns in claims to alert the business to unexpected severe claims or to automate the fast-tracking of low dollar claims without the need for an adjuster. Data funneling into the hub would include information from core systems such as actuary, call center, claims, and billing different departments. Most of this data existed on mainframes. Mainframe data file formats included EBCDIC-encoded VSAM data with binary and packed data types mapped by multiple complex copybooks. When it came time to integrate all these data sources, the insurance company struggled to get data from the mainframe to its data lake. Getting mainframe data into the data lake meant that they had to spin up an entirely separate process for data ingestion. As a result, the insurance company had a siloed process that caused lost time, delayed delivery, and incomplete claims analytics.
- #18 Frage: Können Sie auch Logdaten vom Mainframe auswerten? Antwort: Ja, mit Hilfe des Produkt Ironstream können Logdaten von Mainframe und/oder IBM i Systemen innerhalb von z.B. Splunk oder ServiceNow zur Verfügung gestellt und dort dann entsprechend ausgewertet werden. Frage: Antwort: